import numpy as np
from scipy.stats import norm
from scipy.optimize import minimize
import matplotlib.pyplot as plt
from matplotlib.font_manager import FontProperties
import matplotlib as mpl
mpl.rcParams['font.family'] = 'SimHei' # 使用“SimHei”字体(这是一种中文字体)
# 设置中文字体
font = FontProperties(fname=r"/usr/share/fonts/truetype/arphic/uming.ttc", size=14)
# 生成随机数据
mean = 0
std_dev = 1
sample_size = 100
random_data = np.random.normal(mean, std_dev, sample_size)
# 创建一个负对数似然函数
def neg_log_likelihood(params, data):
mean, std_dev = params
pdf_values = norm.pdf(data, loc=mean, scale=std_dev)
# 计算负对数似然值
neg_log_likelihood_value = -np.sum(np.log(pdf_values))
return neg_log_likelihood_value
# 初始估计值
initial_guess = [0, 1] # 均值和标准差的初始估计
# 最大似然估计
result = minimize(neg_log_likelihood, initial_guess, args=(random_data,))
mean_mle, std_dev_mle = result.x
# 打印最大似然估计的结果
print(f"最大似然估计的均值为: {mean_mle}")
print(f"最大似然估计的标准差为: {std_dev_mle}")
# 绘制直方图
plt.hist(random_data, bins=20, density=True, alpha=0.6, color='b', label='随机数据')
# 绘制随机数据和拟合的正态分布曲线
plt.hist(random_data, bins=20, density=True, alpha=0.6, color='b', label='随机数据')
x = np.linspace(min(random_data), max(random_data), 100)
y = norm.pdf(x, loc=mean_mle, scale=std_dev_mle)
plt.plot(x, y, 'r-', lw=2, label='拟合的正态分布')
plt.legend()
plt.xlabel('值')
plt.ylabel('密度')
plt.title('随机数据的正态分布拟合')
plt.show()
正态分布下的最大似然
最新推荐文章于 2023-10-14 15:40:44 发布